旋转机械转轴裂纹损伤故障研究进展

综述了近年来旋转机械转轴裂纹损伤故障诊断研究的主要成果和发展前景。首先,对旋转机械转子系统转轴裂纹损伤非线性特性的研究方法、裂纹刚度模型和非线性动力学特性问题的国内外研究现状进行了概述。在此基础上,指出了目前旋转机械转轴裂纹损伤故障问题研究尚待解决的问题,并对今后的发展趋势进行了展望。     

旋转机械基础松动故障研究进展和展望

基础松动故障是目前为止旋转机械故障中识别率较低的故障之一。对近年来旋转机械转子系统基础松动故障的研究现状、进展进行综述,包括基础松动故障非线性特性分析方法及复杂动力学特性、含有基础松动的耦合故障问题、基础松动故障诊断及故障试验等方面国内外的一些研究成果。在此基础上,对目前旋转机械基础松动故障问题研究尚待解决的问题提出了一些看法,并对今后的发展趋势进行了展望。     

Application of Kernel GDA to Performance Monitoring and Fault Diagnosis for Rotating Machinery

Faults in rotating machine are difficult to detect and identify,especially when the system is complex and nonlinear.In order to solve this problem,a novel performance monitoring and fault diagnosis method based on kernel generalized discriminant analysis(kernel GDA,KGDA) was proposed.Through KGDA,the data were mapped from the original space to the high-dimensional feature space.Then the statistic distance between normal data and test data was constructed to detect whether a fault was occurring.If a fault had occurred,similar analysis was used to identify the type of faults.The effectiveness of the proposed method was evaluated by simulation results of vibration signal fault dataset in the rotating machinery,which was scalable to different rotating machinery.     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...     

BP算法在旋转机械故障诊断中的应用

分析了旋转机械故障的特性,在此基础上对基于BP算法的诊断方法进行了研究,建立了旋转机械故障诊断的神经网络模型,对基于BP网络的汽轮发电机组的故障进行了诊断。实验证明,基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

旋转机械常见故障的振动三维谱特征及其识别

变速过程中振动特征的提取及其识别对于旋转机械故障诊断是极其重要的，本文通过对发电设备旋转机械中常见的不对中、轴裂纹、动静件碰摩、基础部件松动故障的运动微分方程及三维谱图的分析，讨论了变速过程中系统振动所包含的故障信息。分析表明这几类带有故障的转子系统都是非线性振动系统，振动三维谱图中含有丰富的高次谐波分量，可以用对三维谱图进行扫描的方法来发现故障信息。三维谱图可以丰富旋转机械故障诊断系统知识库中的振动特征信息，对于更准确地诊断发电设备中的故障具有重要的意义     

基于CBR的Multi-agent旋转机械故障诊断系统

近年来,基于Multi-agent的分布式智能系统已成功地应用于众多领域．将Multi—agent技术应用于旋转机械故障诊断系统,结合CBR技术,分析了系统的基本框架和实现途径,较好地实现了Multi-agent之间的协调,克服了单一故障诊断方法的局限性,解决了诊断软件的通用性和适应性之间的矛盾,为旋转机械多算法诊断系统的研究与开发提供了一定的借鉴．应用表明,该系统能快速、准确地进行故障诊断．     

基于信息熵贴近度的旋转机械故障诊断

基于信息融合的思想,研究了反映振动能量的旋转机械故障状态的各种信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵．通过转子试验,给出了旋转机械的不平衡、不对中、支座松动、轴裂纹典型故障下的各信息熵的变化范围．根据越相似的模式间距离越短原理,提出采用贴近度来进行模式识别的方法．首先利用贴近度原理和熵带构建了信息熵贴近度模型,其次计算出待识别状态与各典型故障之间的信息熵贴近度值,则对应于待识别状态之间的信息熵贴近度最大的即为待识别状态的故障模式,最后通过实例描述了基于信息熵贴近度的旋转机械故障诊断方法的可行性．     

谐波小波在旋转机械故障诊断中的应用

为了对具有非平稳信号的旋转机械的轴心轨迹形状进行识别,提出一种基于谐波小波滤波提纯的方法.谐波小波具有明确的函数表达式,算法实现简单,具有良好的"盒形"频谱特性,能将信号不交叠且不遗漏地分解到相互独立的空间,便于信号特征的提取.采用谐波小波进行滤波提纯,可以将故障信息从原始轴心轨迹信号中分离出来,从而获得轴心轨迹的形状,为旋转机械的故障诊断提供了依据.大量仿真试验表明,该滤波提纯方法简单,具有较强的实用价值.     

柴油机故障诊断技术的现状及展望

柴油机作为一种复杂动力机械,其运行状态监测和故障诊断技术越来越受到人们的关注。在柴油机故障诊断领域,信号处理、故障特征提取及识别方法已初具雏形,但离实用化还有一定距离。笔者分析了柴油机常见故障及影响因素,综述了现代柴油机故障诊断技术中常用的各种基于振动信号的时频分析法、瞬时转速波动法、铁谱及光谱分析法、灰色系统理论诊断法、神经网络诊断法及专家系统诊断法的原理、特点及不足,最后指出了柴油机故障诊断的难点和发展方向。     

基于EEMD的奇异谱熵在旋转机械故障诊断中的应用

针对旋转机械振动信号的非平稳、非线性等特点,提出一种基于集合经验模式分解(EEMD)的奇异谱熵信号分析及故障诊断方法.该方法利用EEMD有效抑制模式混叠现象的优点,首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF),然后将各阶IMF分量构成一个特征模式矩阵,并对该特征模式矩阵求奇异谱熵值.奇异谱墒值的大...     

基于小波包-神经网络故障诊断系统研究

建立了旋转机械故障诊断的神经网络模型，采用小波包分解方法提取特殊频段上的能量作为特征值为神经网络的输入模式，模型具有通用性。并且应用于旋转机械故障样本的识别计算，结果表明该方法在故障诊断中是有效的。     

经验模式分解在循环平稳故障信号分析中的应用

对循环二阶统计量进行了分析,研究了交叉项产生的原因;结合旋转机械故障信号的循环平稳特性,将经验模式分解方法应用于旋转机械振动信号分析中,解决了应用循环平稳方法进行信号分析中出现的交叉项干扰问题.通过理论推导、仿真实验、真实数据验证,以及和原有方法进行比较,表明经验模式分解联合循环平稳分析方法能够有效地识别故障特征,并避免干扰项.极大地推进了循环平稳方法在旋转机械故障诊断中的应用.     

旋转机械故障诊断方法概述

介绍了旋转机械故障诊断的常用方法,概述了国内外的研究发展状况,展望了故障诊断技术的发展趋势和前景。     

基于支持向量机的机械故障诊断方法研究

针对因缺少大量故障数据样本而制约机械故障智能诊断发展的问题，提出了一种基于支持向量机的机械故障诊断新方法，介绍了该方法的原理和算法，并利用模拟故障数据建立了多故障分类器。这种诊断方法只需要少量的时域故障数据样本来训练故障分类器，不必进行信号预处理以提取特征量，便可实现多故障的识别和诊断。测试结果表明，当数据样本中含有26％的噪声时，故障分类器仍然能正确分类多种故障。这种诊断方法具有算法简单、可对故障在张分类和故障分类能力强的优点。     

基于SIR多级残差连接密集网络的轴承故障诊断

为了研究旋转机械的滚动轴承在复杂工况下从时变性强、微弱信号中提取特征信息的性能,提出了基于SIR多级残差连接密集网络的轴承故障诊断方法.首先,设计SIR模块,该模块将对输入的数据特征通道赋予不同的权重并拓宽网络的宽度,提取更加重要、更加丰富的特征信息;其次,设计多级残差连接密集网络自适应提取轴承振动信号中的有效特征;最后,构建softmax分类器实现故障分类.通过与多种方法进行对比,实验结果表明,该方法在变噪声、变负荷和变工况下都能够更加准确地检测出故障,对复杂的工况环境更具有鲁棒性和泛化能力.     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。     

基于振动分析的柴油机故障程度的研究

利用神经网络诊断模型来识别故障发展的不同程度,并以柴油机连杆铜套磨损故障为例进行分析.首先在295柴油机上进行了设定及待定工况实验,获取各工况下的缸盖振动信号;然后利用基于神经网络和小波分析的故障诊断方法进行故障程度识别;最后利用训练后的模型对待定工况进行故障程度的判定.实验和仿真结果表明:对于各设定工况,诊断模型可以定量地识别出来,准确率达到100 %;对于待定工况,诊断模型也可以给出定量的故障程度描述.从而使操作者能及时了解故障的发展情况,并根据网络模型的定量输出结果对故障部件进行相应的维修或更换处理.     

证据理论在旋转机械综合故障诊断中应用

针对旋转机械故障诊断中在同一征兆域中很难区分多种故障的实际情况,研究利用其他征兆域的诊断信息,进行全局信息融合,从而获得更为准确的故障定位,提出一种基于神经网络和Dempster-Shafer证据理论的多参数综合诊断系统模型,在该模型中采用证据理论的组合规则进行局部和全局信息融合,得出较好的诊断结果。     

滚动轴承轻量级深度故障诊断模型

针对现有基于振动信号的诊断模型泛化能力差,而深度学习网络对计算量和存储量要求高的问题,提出轻量级融合密集连接网络与残差神经网络的故障诊断模型.首先,利用格拉姆角场将原始时序信号映射为灰度图像,充分利用二维卷积神经网络的性能;然后,融合密集连接网络和残差神经网络的优点构建融合网络模型,并通过鬼影模块降低其性能消耗,形成轻量级和高识别率的深度网络.实验结果表明,该改进的融合深度学习模型在比传统模型具有更强的鲁棒性和适用性的同时,还拥有极低的浮点运算量与参数量资源占用,证明了该方法在滚动轴承故障诊断领域是有效的、可行的.